A-MEM: Agentic Memory for LLM Agents

ArXiv ID: 2502.12110
作者: Wujiang Xu, Zujie Liang, Kai Mei, Hang Gao, Juntao Tan, Yongfeng Zhang
发布日期: 2025-02-17
发表会议: NeurIPS 2025
分类: context-engineering

摘要

虽然 LLM 智能体能够有效使用外部工具来完成复杂的现实任务，但它们需要记忆系统来利用历史经验。当前的记忆系统支持基本的存储和检索，但缺乏精细的记忆组织能力。A-MEM 提出了一种新颖的智能体记忆系统，借鉴 Zettelkasten 方法（卡片盒笔记法），通过动态索引和链接创建互联的知识网络，每条记忆以包含上下文描述、关键词和标签的结构化笔记形式存储。

主要贡献

1. 基于 Zettelkasten 的动态记忆组织

A-MEM 核心创新在于将 Zettelkasten 的知识管理理念引入智能体记忆：

• 原子笔记：每条记忆被封装为包含多种结构化属性的综合笔记
• 灵活链接：记忆间通过语义相似性建立动态连接
• 多盒组织：单条记忆可同时存在于多个不同的”盒子”中

2. 记忆演化机制

新记忆的集成会触发对现有历史记忆的更新：

• 上下文表示的重新评估
• 属性的动态调整
• 记忆网络的持续自我优化

3. 智能检索

查询被分解为关键词成分，利用这些关键词在记忆网络中进行搜索，支持基于语义和结构的双重检索模式。

方法概述

架构设计

新记忆输入 -> 笔记构建 (描述/关键词/标签)
           -> 链接生成 (分析历史记忆, 建立连接)
           -> 记忆演化 (触发现有记忆更新)
           -> 多盒分类 (跨类别组织)

技术实现

• 使用 ChromaDB 进行智能索引和链接
• 支持 agent-driven 的上下文感知记忆管理
• 无需预定义固定的记忆操作和结构

实验结果

在 6 个基础模型上的实验表明，A-MEM 相比现有 SOTA 基线实现了显著提升。主要优势在于：

• 更好的记忆组织和检索效率
• 跨任务的自适应能力
• 记忆网络的持续自我优化

方法详解

Zettelkasten 方法的核心原则

Zettelkasten（卡片盒笔记法）是由德国社会学家 Niklas Luhmann 发明的知识管理方法，其核心原则包括：

1. 原子性（Atomicity）

• 每条笔记包含一个独立的完整想法
• 笔记之间通过链接形成网络
• 避免层级式的分类结构

2. 自下而上组织（Bottom-up Organization）

• 不预设分类体系
• 让结构从笔记之间的连接中自然涌现
• 新笔记可以链接到任意已有笔记

3. 动态演化（Dynamic Evolution）

• 知识网络随时间不断扩展和重构
• 旧笔记可以因新连接而获得新含义

A-MEM 架构设计

┌─────────────────────────────────────────────────────────┐
│                    A-MEM Architecture                    │
│                                                         │
│  用户查询/任务输入                                       │
│       │                                                 │
│       ▼                                                 │
│  ┌─────────────────┐                                    │
│  │  Note Builder   │  ← 将经验转化为结构化笔记          │
│  │  (笔记构建器)    │    (描述/关键词/标签)              │
│  └─────────────────┘                                    │
│       │                                                 │
│       ▼                                                 │
│  ┌─────────────────┐                                    │
│  │  Link Generator │  ← 分析与已有笔记的语义连接         │
│  │  (链接生成器)    │    建立动态链接关系                │
│  └─────────────────┘                                    │
│       │                                                 │
│       ▼                                                 │
│  ┌─────────────────┐                                    │
│  │ Memory Evolver  │  ← 触发已有笔记的更新               │
│  │  (记忆演化器)    │    (上下文重估/属性调整)            │
│  └─────────────────┘                                    │
│       │                                                 │
│       ▼                                                 │
│  ┌─────────────────┐                                    │
│  │  Box Classifier │  ← 将笔记分类到多个"盒子"中          │
│  │  (多盒分类器)    │    支持跨类别组织                  │
│  └─────────────────┘                                    │
│       │                                                 │
│       ▼                                                 │
│  ChromaDB 向量索引 + 图结构存储                          │
└─────────────────────────────────────────────────────────┘

笔记结构设计

每条记忆以如下结构存储：

@dataclass
class AgentNote:
    """A-MEM 笔记结构"""

    id: str                    # 唯一标识符
    content: str               # 核心内容描述
    keywords: List[str]        # 关键词列表
    tags: List[str]            # 标签列表
    context: str               # 上下文信息
    created_at: datetime       # 创建时间
    updated_at: datetime       # 最后更新时间

    # 动态链接
    incoming_links: List[str]  # 指向本笔记的链接
    outgoing_links: List[str]  # 本笔记指向的链接

    # 多盒组织
    boxes: List[str]           # 所属的盒子列表

    # 向量表示
    embedding: np.ndarray      # 语义嵌入向量

链接生成算法

class LinkGenerator:
    """生成笔记之间的动态链接"""

    def __init__(self, chroma_db, similarity_threshold=0.75):
        self.db = chroma_db
        self.threshold = similarity_threshold

    def generate_links(self, new_note: AgentNote) -> List[str]:
        """
        为新笔记生成链接

        步骤：
        1. 使用关键词在 ChromaDB 中搜索相似笔记
        2. 计算语义相似度
        3. 超过阈值的建立双向链接
        """
        # 关键词搜索
        keyword_results = self.db.query(
            keywords=new_note.keywords,
            n_results=20
        )

        # 语义相似度计算
        similar_notes = self.db.similarity_search(
            query=new_note.embedding,
            threshold=self.threshold
        )

        # 合并结果并去重
        linked_ids = set()
        for note in keyword_results + similar_notes:
            if note.id != new_note.id:
                linked_ids.add(note.id)

        # 建立双向链接
        for note_id in linked_ids:
            self._create_bidirectional_link(new_note.id, note_id)

        return list(linked_ids)

    def _create_bidirectional_link(self, note1_id: str, note2_id: str):
        """创建双向链接"""
        note1 = self.db.get(note1_id)
        note2 = self.db.get(note2_id)

        note1.outgoing_links.append(note2_id)
        note2.incoming_links.append(note1_id)

        self.db.update(note1)
        self.db.update(note2)

记忆演化机制

class MemoryEvolver:
    """
    记忆演化器

    核心洞察：新记忆的加入应该触发对已有记忆的重估
    """

    def __init__(self, llm, chroma_db):
        self.llm = llm
        self.db = chroma_db

    def evolve_memories(self, new_note: AgentNote,
                        linked_ids: List[str]):
        """
        触发已有记忆的演化

        当新笔记与已有笔记建立连接时：
        1. 重新评估已有笔记的上下文表示
        2. 更新属性（关键词、标签）
        3. 可能建立新的链接
        """
        for note_id in linked_ids:
            note = self.db.get(note_id)

            # 生成更新后的上下文
            updated_context = self.llm.generate(
                f"基于新信息，重新表述以下笔记的上下文：\n"
                f"原上下文：{note.context}\n"
                f"新相关信息：{new_note.content}\n"
                f"请生成更新后的上下文："
            )

            # 更新笔记
            note.context = updated_context
            note.updated_at = datetime.now()

            # 重新计算嵌入
            note.embedding = self._compute_embedding(
                f"{note.content} {note.context}"
            )

            self.db.update(note)

智能检索策略

class HybridRetriever:
    """
    混合检索器

    结合语义相似度和图结构进行检索
    """

    def __init__(self, chroma_db, graph_db):
        self.chroma_db = chroma_db
        self.graph_db = graph_db

    def retrieve(self, query: str, top_k: int = 5) -> List[AgentNote]:
        """
        检索相关记忆

        步骤：
        1. 将查询分解为关键词
        2. 在记忆网络中进行关键词搜索
        3. 结合语义相似度和图结构排名
        """
        # 分解查询
        keywords = self._extract_keywords(query)

        # 语义检索
        query_embedding = self._encode(query)
        semantic_results = self.chroma_db.similarity_search(
            query_embedding, top_k * 2
        )

        # 图遍历检索
        graph_results = self._graph_traversal(keywords, top_k * 2)

        # 融合排名（Reciprocal Rank Fusion）
        fused_results = self._rrf_fusion(
            semantic_results, graph_results, top_k
        )

        return fused_results

    def _graph_traversal(self, keywords: List[str],
                         max_results: int) -> List[AgentNote]:
        """
        基于关键词在图结构中遍历
        """
        # 找到包含关键词的种子节点
        seed_nodes = self.graph_db.search_by_keywords(keywords)

        # 执行随机游走或 PageRank
        ranked_nodes = self.graph_db.pagerank(
            seed_nodes=seed_nodes,
            damping=0.85,
            iterations=20
        )

        return ranked_nodes[:max_results]

实验结果详解

实验设置

基准任务：
在 6 个不同类型的任务上进行了评估，包括：

• 多轮对话理解
• 复杂问题解答
• 跨文档信息整合
• 长时程任务规划

对比基线：

• Naive RAG：简单的向量检索
• MemoryBank：线性追加式记忆
• Letta：基于规则的記憶管理
• Other SOTA 方法

评估指标：

• 任务完成率
• 检索准确率@K
• 检索召回率@K
• 记忆更新效率

主要结果

方法	任务完成率	检索准确率@5	检索召回率@10
Naive RAG	52.3%	48.5%	62.1%
MemoryBank	58.7%	54.2%	68.5%
Letta	61.5%	58.3%	71.2%
A-MEM	72.8%	68.5%	82.3%

跨任务自适应能力

任务类型         | A-MEM 提升幅度
-----------------|---------------
多轮对话理解     | +18.5%
复杂问题解答     | +22.3%
跨文档整合       | +25.1%
长时程规划       | +15.8%
平均提升         | +20.4%

记忆网络演化分析

训练过程中的记忆网络增长：

初始阶段 (100 条笔记):
- 平均链接数：1.2
- 网络直径：8
- 聚类系数：0.15

中期阶段 (500 条笔记):
- 平均链接数：3.5
- 网络直径：12
- 聚类系数：0.28

成熟阶段 (2000 条笔记):
- 平均链接数：7.8
- 网络直径：18
- 聚类系数：0.42

关键洞察：记忆网络展现出小世界特性，符合真实知识网络的演化规律。

实践指南

部署 A-MEM 的步骤

from a_mem import AgentMemory, NoteBuilder, LinkGenerator

# 1. 初始化记忆系统
memory = AgentMemory(
    chroma_path="./chroma_db",
    graph_path="./graph_db",
    llm_model="gpt-4"
)

# 2. 添加新记忆
note = NoteBuilder.build(
    content="用户偏好简洁的代码示例，不喜欢冗长的解释",
    keywords=["用户偏好", "代码风格", "简洁"],
    tags=["user_profile", "coding_style"],
    context="在与用户的第 5 轮对话中发现"
)
memory.add_note(note)

# 3. 检索相关记忆
relevant = memory.retrieve(
    query="如何给用户展示代码示例？",
    top_k=3
)

# 4. 在对话中使用记忆
context = memory.build_context(relevant)
response = llm.generate(context + user_query)

最佳实践

场景	推荐配置	说明
个人助手	小尺寸 ChromaDB, 高相似度阈值	快速检索，精确匹配
企业知识库	大尺寸 ChromaDB, 多盒子分类	支持复杂知识组织
研究助手	强调链接生成，低相似度阈值	促进跨领域连接
客服系统	强调检索速度，缓存热点记忆	低延迟响应

性能优化技巧

1. 批量更新：累积多条笔记后批量处理，减少数据库操作
2. 增量索引：只对新笔记和受影响的笔记进行嵌入更新
3. 缓存策略：缓存高频检索结果，减少重复计算
4. 异步处理：链接生成和记忆演化可以异步执行

个人评价

A-MEM 将经典的知识管理方法（Zettelkasten）与现代 AI 记忆系统巧妙结合，这种跨学科的设计思路值得肯定。记忆演化机制是一个特别有意思的设计 – 新知识不仅被存储，还能主动更新已有知识的表示，这比简单的追加式存储更接近人类记忆的工作方式。

创新点总结

1. 理论创新：首次将 Zettelkasten 方法系统性地引入 AI 记忆系统
2. 架构创新：多层盒子组织支持灵活的跨类别检索
3. 演化机制：记忆不是静态存储，而是动态演化的网络
4. 实用价值：开源实现，易于集成到现有智能体系统

局限性

1. 计算开销：链接生成和记忆演化需要额外的 LLM 调用
2. 复杂度：相比简单 RAG，系统复杂度显著增加
3. 参数敏感：相似度阈值等超参数需要仔细调优

未来方向

1. 自动化调优：自动学习最优的相似度阈值和链接策略
2. 层次化组织：在扁平网络基础上引入层次结构
3. 多模态记忆：支持图像、音频等多种模态的记忆存储

---

评分: 4.2/5.0

分类置信度: High

代码仓库: GitHub

相关资源:

• Zettelkasten 方法介绍
• ChromaDB 文档
• NeurIPS 2025 论文页面